數據框(DataFrame)介紹

數據框是R語言中用于存儲和處理表格數據的重要數據結構。由行和列組成，每列可以包含不同類型的數據，但同一列中的數據類型必須相同。數據框中的每一列都有一個列名，用于標識數據的內容

數據框用途

1. 數據清洗與預處理： 在數據分析過程中，數據常常需要進行清洗和預處理，包括缺失值處理、數據轉換、重命名變量等操作。數據框提供了豐富的函數和方法來進行這些操作，使數據達到分析要求的格式和質量
2. 數據分析與統計： 數據框可以通過內置的函數和外部包（如dplyr、tidyverse等）進行各種統計計算、匯總、分組操作和復雜的數據邏輯處理。這些操作可以從數據中提取有用信息、進行趨勢分析、建立模型等
3. 數據可視化： R語言中的數據可視化包（如ggplot2）可以直接接受數據框作為輸入，通過簡單的代碼生成高質量的統計圖表。使得可以快速理解數據的特征和趨勢

創建數據框

可使用 data.frame() 函數直接創建數據框

# 創建一個基礎的數據框
df <- data.frame(Column1 = c(1, 2, 3),Column2 = c("A", "B", "C"),Column3 = c(TRUE, FALSE, TRUE)
)

從矩陣創建數據框

對于一個矩陣，可以使用 as.data.frame() 函數將其轉換為數據框

# 創建一個矩陣
mat <- matrix(1:6, nrow = 2)
# 將矩陣轉換為數據框
df_from_mat <- as.data.frame(mat)

索引和切片

可使用列名或行號進行索引和切片操作

# 選擇指定列
selected_columns <- df[, c("Column1", "Column2")]# 選擇指定行
selected_rows <- df[c(1, 3), ]# 使用列名選擇
column1_values <- df$Column1
column1_values_alt <- df["Column1"]# 使用邏輯條件選擇
filtered_data <- df[df$Column1 > 2, ]

添加和修改列

# 添加新列
df$NewColumn <- c(4, 5, 6)# 修改列的值
df$Column1 <- c(7, 8, 9)

數據框的預處理

對數據框進行重命名、類型轉換和變量重編碼等操作

# 變量重命名
names(df)[3] <- "NewName"# 修改變量類型
df$Column1 <- as.numeric(df$Column1)# 變量重編碼
df$Column2[df$Column2 == "A"] <- "X"
df$Column2[df$Column2 == "B"] <- "Y"

數據框的排序

使用 order() 函數對數據框進行排序

# 按照 Column1 列升序排序
df_sorted <- df[order(df$Column1), ]

數據框的合并與拆分

# 列拼接
combined_df <- cbind(df1, df2)# 行拼接
combined_df <- rbind(df1, df2)# 根據標志進行列合并
merged_df <- merge(df1, df2, by = "ID")

數據框的計算與匯總

# 計算某列的均值
mean_value <- mean(df$Column1)# 分類匯總
summary_stats <- aggregate(df$Column1, by = list(df$Column2), mean)

數據框的篩選

# 條件篩選
subset_df <- subset(df, Column1 > 2)

處理缺失值

# 檢查缺失值情況
missing_values <- is.na(df)# 刪除含有缺失值的觀測
df_no_missing <- na.omit(df)# 用指定數值填補缺失值
df$Column1[is.na(df$Column1)] <- 0

應用函數處理數據

使用 apply() 函數對數據框中的數據進行批量處理

# 使用 apply 函數計算某幾列的均值
mean_values <- apply(df[, c("Column1", "Column2")], MARGIN = 2, mean)

重塑數據框

通過 reshape2 包中的函數如 melt() 和 dcast() 可以進行數據框的重塑操作，從長格式（long
format）到寬格式（wide format）的轉換

library(reshape2)# 將數據框從寬格式變為長格式
melted_df <- melt(df, id.vars = c("ID", "Date"))# 將數據框從長格式變為寬格式
casted_df <- dcast(melted_df, ID ~ variable, value.var = "value")

使用 dplyr 進行數據框的管道操作

dplyr 包提供了一組功能強大的函數，用于數據框的快速操作，如選擇、過濾、排序、匯總和變異等

library(dplyr)# 選擇和篩選
selected_df <- df %>%select(Column1, Column2) %>%filter(Column1 > 2)# 分組和匯總
summary_df <- df %>%group_by(Column2) %>%summarize(mean_value = mean(Column1))

數據框的時間序列操作

對于時間序列數據，可以使用 zoo 或 xts 包來擴展數據框以支持時間索引和時間序列操作

library(zoo)# 創建時間序列數據框
dates <- as.Date(c("2023-01-01", "2023-01-02", "2023-01-03"))
ts_data <- zoo(df[, "Column1"], order.by = dates)

大數據框的處理

對于大數據集，可以使用 data.table 包來進行快速的數據框操作，特別是對于大量數據的高效處理和計算

library(data.table)# 將數據框轉換為 data.table
dt <- as.data.table(df)# 使用 data.table 的快速操作
result <- dt[Column1 > 2, .(mean_value = mean(Column2)), by = Column3]

數據框的繪圖

可使用 ggplot2 包將數據框中的數據可視化，創建高質量的統計圖形

library(ggplot2)# 創建散點圖
ggplot(df, aes(x = Column1, y = Column2)) +geom_point() +labs(title = "Scatter Plot", x = "Column1", y = "Column2")

數據框的文本處理

使用 stringr 或 tm 包進行數據框中文本數據的處理，如正則表達式匹配、文本清洗和詞頻統計等

library(stringr)# 使用 stringr 包處理文本列
df$TextColumn_cleaned <- str_replace_all(df$TextColumn, "[^[:alnum:][:space:]]", "")

數據框的連接與關聯

按行或列連接數據框

# 按行連接（合并）
combined_rows <- rbind(df1, df2)# 按列連接（合并）
combined_columns <- cbind(df1, df2)

按鍵值關聯數據框

# 根據共同的列（鍵）進行合并
merged_df <- merge(df1, df2, by = "key_column")# 使用 dplyr 包進行關聯（左連接示例）
library(dplyr)
merged_df <- left_join(df1, df2, by = "key_column")

數據框的條件處理與邏輯操作

條件篩選

# 根據條件篩選數據
subset_df <- subset(df, Column1 > 2 & Column2 == "A")# 使用 dplyr 進行篩選
filtered_df <- df %>%filter(Column1 > 2, Column2 == "A")

邏輯操作

# 創建邏輯向量
logic_vector <- df$Column1 > 2# 使用邏輯向量選擇數據
selected_df <- df[logic_vector, ]

數據框的匯總與統計分析

分組匯總

# 按照列進行分組，并計算每組的均值
summary_stats <- aggregate(df$Value, by = list(df$Category), FUN = mean)# 使用 dplyr 進行分組和匯總
summary_df <- df %>%group_by(Category) %>%summarize(mean_value = mean(Value))

統計計算

# 計算某列的均值
mean_value <- mean(df$Value)# 計算標準差
std_deviation <- sd(df$Value)# 計算頻數統計
freq_table <- table(df$Category)